Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2396
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Sí, puede obtenerlo de mis artículos. Bueno, el probador es el más fácil. Puedo enviarte algunos ejemplos de bots basados en Python.
Bueno, yo también tengo algo, basado en la prueba rápida de mis ideas. Pero es algo que se utiliza para terminar de ejecutarlo en un probador normal. ¿Crees que vale la pena deshacerse de este hábito? )
Bueno, yo también tengo algo, perfeccionado para probar mis ideas rápidamente. Pero ya es una costumbre acabar ejecutándolo en el probador habitual. ¿Crees que vale la pena deshacerse de este hábito? )
Los MacBooks se desgarran y maldicen con los nuevos procesadores en las tareas de la MdD. La mala noticia es que CatBoost aún no es compatible con la arquitectura del brazo, pero están trabajando en ello
Conclusión
De estas pruebas se desprende que
Por supuesto, estas métricas sólo pueden considerarse para tipos de redes neuronales y profundidades similares a las utilizadas en esta prueba.
Para las grandes formaciones y los cálculos intensivos que duran más de 20 minutos, seguiré optando por las soluciones basadas en la nube, ya que proporcionan tarjetas construidas para cargas pesadas tan largas y permiten enviar varios trabajos simultáneamente. Pero este escenario es sólo para algunas investigaciones específicas que representan sólo el 10% de mi trabajo, sobre todo para el uso profesional en alguna área de negocio específica.
Como ingeniero de aprendizaje automático, para mi investigación personal diaria, el Mac M1 es claramente la mejor opción y la más rentable actualmente.
https://towardsdatascience.com/benchmark-m1-part-2-vs-20-cores-xeon-vs-amd-epyc-16-and-32-cores-8e394d56003d
¿Alguien conoce este tipo de formación de profesores?
Cuando el profesor no es una etiqueta, sino la propia persona, ésta hace clic en la imagen que le gusta y AMO intenta separar esta imagen de todo lo demás y encontrar...
¿Alguien sabe si existe este tipo de formación y, si es así, cómo se llama?
Sé cómo implementarlo, pero ¿quizás haya uno ya hecho?
Yo también quería expresar un pensamiento en voz alta. Una reflexión sobre el tema de la no estacionalidad. Está claro cómo utilizar el método del vecino más cercano K en sus condiciones. Tomamos los últimos N patrones en el tiempo de los cuales elegimos K vecinos más cercanos y tomamos una decisión basada en ellos. La simplicidad proviene de la ausencia de aprendizaje. Me pregunto si hay otros algoritmos de MO que sean fáciles de usar de forma similar.
He investigado e investigado mucho con este método así como el método en sí, no sé por qué pero es el más cercano e intuitivo para mí...
Este método pertenece a la familia de las "predicciones sin modelo".
Se conoce en la red como "predicción por análogos de la prehistoria" , "método de complejización de análogos del MSUA", etc.
Hace tiempo se utilizaba para la predicción del tiempo...
En esencia, es la agrupación habitual, sólo que más precisa... La diferencia es sólo que en el clustering habitual el centro de un cluster (prototipo) es algo en el medio entre los análogos, y el método dado el centro de un cluster es el precio actual o lo que sea, así es posible encontrar análogos para el momento actual más precisamente...
Incluso he buscado patrones multidimensionales, incluso he inventado mi propia mini metodología para buscar patrones en la prehistoria, así que estoy muy metido en este tema...
He investigado e investigado mucho con este método y el método en sí, no sé por qué pero es el más cercano e intuitivo para mí.
Pertenece a la familia de las "predicciones sin modelo".
Se conoce en la red como "predicción por análogos de la prehistoria" , "método de complejización de análogos del MSUA", etc.
Hace tiempo se utilizaba para la predicción del tiempo...
En esencia, es una agrupación normal, sólo que más precisa... La diferencia es sólo que en el clustering habitual el centro de un cluster (prototipo) es algo en el medio entre los análogos, y el método dado el centro de un cluster es el precio actual o lo que sea, así es posible encontrar análogos más precisamente para el momento actual...
Incluso he buscado patrones multidimensionales, incluso he inventado mi propio mini método para buscar patrones en la prehistoria, así que estoy muy metido en este tema...
El método es intuitivamente obvio, así que es imposible evitarlo. Pero quiero algún tipo de variedad. Por ejemplo, un simple reentrenamiento del modelo, cuando se añade un nuevo ejemplo y se descartan los obsoletos.
Aleksey Nikolayev:
Un simple reentrenamiento del modelo, en el que se añade un nuevo ejemplo y se desechan los obsoletos.
O tirar de ejemplos obsoletos cuando el tiempo es demasiado importante en comparación con otros.
O bien, tirar ejemplos obsoletos cuando el tiempo resulta ser una característica demasiado importante en comparación con otras.
No veo cuál es la diferencia entre tu idea y el constante reciclaje de AMO en la ventana deslizante...
Coges las últimas n imágenes de la actual, ordenadas por tiempo, haces una predicción basada en ellas, ¿qué se supone que consigue eso?
Sólo tienes que volver a entrenar en una ventana deslizante como con AMO arriba, ¿cuál es la ventaja?